En ny metod för att räkna blad på tobaksplantor i fält baserad på UAV-bilder och en förbättrad PointNext

Varför det spelar roll att räkna blad från luften

Att veta hur många blad en gröda har kan verka som en liten detalj, men för tobaksodlare är det en direkt fönster mot växtens hälsa och framtida skörd. I dag går arbetare fortfarande runt i fälten och räknar blad för hand — ett långsamt, uttröttande och kostsamt arbete som inte skalar till moderna planteringar. Denna studie visar hur drönare, 3D-avbildning och artificiell intelligens kan samverka för att automatiskt räkna blad på tobaksplantor i verkliga fält och erbjuda ett snabbare och mer precist sätt att styra gödsling, förutsäga skördar och stödja uppfödning av bättre sorter.

Från drönarflygningar till ett 3D-perspektiv över fältet

Forskarna använde först drönare som flygande kameror. De flög en kommersiell quadkopter över tobaksfält i Yunnan, Kina, och tog högupplösta bilder från flera höjder och i branta vinklar runt intressanta försökspartier. Med fotogrammetri mjukvara syddes dessa överlappande bilder ihop till detaljerade tredimensionella modeller av plantorna. Varje planta extraherades sedan som ett eget punktmoln i 3D, där varje punkt representerar en liten yta på en stam, ett blad eller omgivande störning som jord och närliggande lövverk. Detta steg förvandlar platta bilder till en rik 3D-beskrivning som kan avslöja blad även när de överlappar i vanliga fotografier.

Att lära en dator att se individuella blad

För att använda dessa 3D-punktmoln byggde teamet en stor, noggrant märkta datamängd. De samlade 1 000 individuella plantmodeller och märkte manuellt varje punkt som tillhörande målblad, stjälkar, andra plantor eller brus. Med detta träningsmaterial förfinade de ett modernt 3D djupinlärningsnätverk känt som PointNext till en ny version anpassad för fältgrödor, kallad SRW-PointNext. Tre viktiga förbättringar lades till: en uppmärksamhetsmodul som hjälper nätverket att fokusera på de mest informativa rumsliga och färgmönstren; en reviderad förlustfunktion som förhindrar att de många bladpunkterna dränker ut mer sällsynta klasser som stjälkar och bakgrund; samt ett förstärkt utgångshuvud som bättre återställer fina detaljer när delar av punktmolnet saknas eller är ojämna.

Att omvandla segmenterade moln till bladräkningar

När SRW-PointNext lärt sig att märka varje 3D-punkt kunde modellen separera ett enskilt plants punktmoln i blad- och icke-bladdelar. Men forskarna behövde fortfarande veta hur många faktiska blad som fanns. För detta använde de en klustringsmetod kallad MeanShift. Förenklat söker algoritmen efter täta kluster av bladpunkter i tre dimensioner, där varje tätt kluster motsvarar ett blad. Valet av en enda ”bandbredds”-inställning styr hur tätt eller löst algoritmen grupperar punkter. För liten inställning gör att ett blad delas upp i artificiella kluster och ökar räkningen; för stor inställning slår ihop närliggande blad och minskar räkningen. Genom noggrann justering av denna inställning kunde forskarna gruppera de segmenterade bladpunkterna till realistiska, individuella blad.

Hur väl metoden presterade

För att testa noggrannheten jämförde teamet automatiska räkningar med noggranna manuella räkningar för 230 fältplantor. Deras pipeline — drönaravbildning, 3D-återuppbyggnad, SRW-PointNext-segmentering och sedan MeanShift-klustring — nådde en bladräkningsnoggrannhet på cirka 92,6 procent. Det förbättrade nätverket uppnådde också högkvalitativ segmentering: ungefär 92 procent precision och ett medelvärde för intersection-over-union på 76 procent, vilket överträffade flera populära 3D punktmolnsmetoder som PointNet, PointNet++, RandLA-Net och den ursprungliga PointNext. Viktigt är att denna förbättring i noggrannhet kom med endast en måttlig ökning i beräkningskostnad, vilket tyder på att tillvägagångssättet är praktiskt för storskaliga undersökningar.

Vad detta betyder för framtidens jordbruk

För en icke-specialist är huvudbudskapet enkelt: genom att kombinera drönare, 3D-modellering och en uppgraderad AI-modell kan forskarna nu räkna tobaksblad i verkliga fält nästan lika tillförlitligt som människor, men mycket snabbare och över betydligt större områden. Detta förflyttar bladräkning från skrivblock och kängor på marken till en automatiserad, datarik process som kan mata in i digitala växtodlingssystem. Medan det nuvarande arbetet fokuserar på tobak i ett växtstadium och är beroende av bra 3D-återuppbyggnader, kan samma strategi tillämpas på andra grödor och säsonger. Med tiden kan sådana verktyg bli rutinmässiga hjälpmedel för odlare, hjälpa dem att övervaka tillväxt, finjustera insatser och välja bättre presterande sorter med betydligt mindre manuellt arbete.

Citering: Nan, D., Li, J., Liang, H. et al. A novel leaf counting method for field tobacco plants based on UAV imagery and an improved PointNext. Sci Rep 16, 11052 (2026). https://doi.org/10.1038/s41598-026-41365-x

Nyckelord: tobaksfenotypning, drönarjordbruk, 3D punktmoln, bladräkning, djupinlärning i jordbruket